Modelo de Aprendizaje Automático Apilado Integrado con IA Explicable para la Detección de Condiciones Infecciosas Utilizando Signos Vitales y Biomarcadores Hematológicos
Autores: Prabhu, Savithri; Bairy, Giliyar Muralidhar; Sampathila, Niranjana; Darshan, BRP Siddarama Dhruva
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
Modelo de Aprendizaje Automático Apilado Integrado con IA Explicable para la Detección de Condiciones Infecciosas Utilizando Signos Vitales y Biomarcadores Hematológicos
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Enfermedades infecciosas
Microorganismos
Biomarcadores
Signos vitales
Aprendizaje automático
Funciones fisiológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las enfermedades infecciosas están contribuyendo a un importante desafío de salud pública en todo el mundo, afectando a individuos de todos los grupos de edad y regiones. Una enfermedad infecciosa es una condición patológica causada por microorganismos dañinos. Estos son bacterias, virus, hongos o parásitos que entran en el cuerpo, se multiplican y alteran las funciones fisiológicas normales, lo que lleva a manifestaciones clínicas. En la actualidad, la detección de enfermedades infecciosas se basa principalmente en signos vitales y un conjunto limitado de biomarcadores. Este enfoque limitado no logra capturar completamente las complicaciones de los cambios fisiológicos relacionados con la infección. Para abordar estas limitaciones, se integran los signos vitales y una amplia gama de biomarcadores hematológicos y bioquímicos con aprendizaje automático e inteligencia artificial explicable (XAI). El conjunto de datos utilizado en este estudio se recopiló de la fuente de datos de Kaggle. El conjunto de datos consiste en valores de signos vitales, como la temperatura corporal, la presión arterial sistólica y diastólica, la frecuencia respiratoria, la frecuencia cardíaca y la saturación de oxígeno, junto con biomarcadores basados en sangre que incluyen albúmina, exceso de base, bicarbonato, bilirrubina, células madre, calcio, creatinina, gamma-glutamil transferasa (GGT), glucosa, hematocrito, hemoglobina, lactato, leucocitos, neutrófilos, proteína C-reactiva (PCR), plaquetas, potasio, sodio, alanina aminotransferasa (TGP/ALT), tiempo de tromboplastina parcial activado (TTPA) y urea. Estos parámetros proporcionan una visión completa del estado fisiológico y bioquímico del paciente durante la infección. La selección de características se realizó utilizando un enfoque híbrido que combina filtrado por correlación, información mutua, importancia de características basada en árboles y validación de XAI (SHAP, sensibilidad a la permutación) para garantizar tanto la precisión predictiva como la interpretabilidad. La integración de estas técnicas apoya la clasificación precisa y la toma de decisiones asistida por IA. Los hallazgos de este estudio destacan la importancia de integrar tanto el monitoreo de signos vitales como las evaluaciones de laboratorio para una gestión efectiva de las enfermedades infecciosas.
Descripción
Las enfermedades infecciosas están contribuyendo a un importante desafío de salud pública en todo el mundo, afectando a individuos de todos los grupos de edad y regiones. Una enfermedad infecciosa es una condición patológica causada por microorganismos dañinos. Estos son bacterias, virus, hongos o parásitos que entran en el cuerpo, se multiplican y alteran las funciones fisiológicas normales, lo que lleva a manifestaciones clínicas. En la actualidad, la detección de enfermedades infecciosas se basa principalmente en signos vitales y un conjunto limitado de biomarcadores. Este enfoque limitado no logra capturar completamente las complicaciones de los cambios fisiológicos relacionados con la infección. Para abordar estas limitaciones, se integran los signos vitales y una amplia gama de biomarcadores hematológicos y bioquímicos con aprendizaje automático e inteligencia artificial explicable (XAI). El conjunto de datos utilizado en este estudio se recopiló de la fuente de datos de Kaggle. El conjunto de datos consiste en valores de signos vitales, como la temperatura corporal, la presión arterial sistólica y diastólica, la frecuencia respiratoria, la frecuencia cardíaca y la saturación de oxígeno, junto con biomarcadores basados en sangre que incluyen albúmina, exceso de base, bicarbonato, bilirrubina, células madre, calcio, creatinina, gamma-glutamil transferasa (GGT), glucosa, hematocrito, hemoglobina, lactato, leucocitos, neutrófilos, proteína C-reactiva (PCR), plaquetas, potasio, sodio, alanina aminotransferasa (TGP/ALT), tiempo de tromboplastina parcial activado (TTPA) y urea. Estos parámetros proporcionan una visión completa del estado fisiológico y bioquímico del paciente durante la infección. La selección de características se realizó utilizando un enfoque híbrido que combina filtrado por correlación, información mutua, importancia de características basada en árboles y validación de XAI (SHAP, sensibilidad a la permutación) para garantizar tanto la precisión predictiva como la interpretabilidad. La integración de estas técnicas apoya la clasificación precisa y la toma de decisiones asistida por IA. Los hallazgos de este estudio destacan la importancia de integrar tanto el monitoreo de signos vitales como las evaluaciones de laboratorio para una gestión efectiva de las enfermedades infecciosas.